Evaluation of landslide susceptibility in Ya’an City based on depth neural network model
-
摘要: 准确的滑坡易发性评价结果是滑坡风险评估的基础,对防灾减灾工作有着重要的意义。文章以雅安市为研究区,在野外地质调查的基础上,选取高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、泥沙输运指数、径流强度指数、归一化植被指数、年均降雨量、地震动峰值加速度、地形起伏度、距断层距离、地层岩性、距河流距离、距道路距离等16个因子,构建研究区滑坡易发性评价指标体系,采用度神经网深络(DNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(12.2%)、高易发区(7.0%)、中易发区(9.8%)、低易发区(17.0%)、极低易发区(54.1%)五个等级,并与人工神经网络(ANN)模型进行对比,用ROC曲线的AUC值进行精度检验。结果表明,DNN模型的评价精度AUC(0.99)大于ANN(0.96)模型。因此,相比ANN模型,DNN模型在该研究区有着更好的拟合能力和预测能力,滑坡极高和高易发区主要分布于雅安市人类工程活动强烈的低海拔地区,沿着道路和水系分布,距道路距离、高程、年均降雨量是影响雅安滑坡发育的主要影响因子。Abstract: Accurate evaluation of landslide susceptibility results are the basis of landslide risk assessment and are of great significance to disaster prevention and reduction. This paper focuses on Ya’an City as the study area and selects various factors, including elevation, slope, aspect, plane curvature, profile curvature, topographic wetness index, sediment transport index, runoff intensity index, normalized difference vegetation index, annual rainfall, peak ground acceleration, topographic relief, distance from fault, stratum lithology, distance from river, and distance from road, to construct a landslide susceptibility evaluation index system. Based on field geological survey data, a deep neural network model is used to evaluate the landslide susceptibility. The study area is classified into five categories based on susceptibility index, including landslide extremely high-prone area (12.2%), landslide high-prone area (7.0%), landslide moderate-prone area (9.8%), landslide low-prone area (17.0%) and landslide extremely low-prone area (54.1%). The accuracy of the DNN model was tested with an AUC value and compared to the artificial neural network (ANN) model. The results show that the DNN model has a higher evaluation accuracy AUC (0.99) compared to ANN (0.96). Thus, the DNN model has a better fitting degree and prediction ability in the study area than the ANN model. The extremely high-prone area and high-prone area of landslides are primarily distributed in the low altitude areas with significant human engineering activities in Ya’an City, along the roads and water systems. The main control factors affecting the development of Ya’an landslide are distance from the road, elevation and annual average rainfall.
-
Keywords:
- landslide /
- susceptibility /
- deep neural network /
- Ya’an City
-
0. 引言
我国西南部山区滑坡自然灾害频发,严重影响城市发展。滑坡是一种斜坡岩土体,沿地层间形成的软弱结构面滑移的现象,物理力学性质表现为抗滑力小于下滑力,具有瞬时性、强破坏性等特点。滑坡易发性分区可为滑坡防治工程提供指导建议及勘察方向。
滑坡易发性评价是预测滑坡灾害分布情况并提供防治建议的手段之一[1]。滑坡分布主要受地质环境条件、气象条件、人类工程活动等因素的影响[2]。目前,滑坡易发性评价研究方法主要有单一模型:层次分析法[3]、信息量[4 − 5]、频率比[6]、确定性系数[6 − 8]、熵指数法[9 − 10]、组合赋权[11]、证据权[12]、逻辑回归[6 − 7, 9]、神经网络[13]、随机森林[14]、支持向量机[15]等;耦合模型:单一模型间耦合[6 - 7, 9 - 11]。单一模型局限于机械的叠加评价因子,未考虑评价因子的权重差异及滑坡发育的实际条件,而耦合模型则使评价因子以线性关系描述滑坡灾害与孕灾因子间联系。其中确定性系数法属于概率函数模型,可反映滑坡点与孕灾因子的敏感性,定量描述评价单元易发程度,但确定性系数法缺乏考虑评价因子间内在联系及不同孕灾因子对滑坡发育的重要性[7],而层次分析法与熵值法分别从经验认知与数据客观规律上描述评价因子间的内在联系,并根据滑坡点与评价因子的关系确定评价因子权重,由于层次分析法与熵指数法权重计算的两极化(过度经验化、过度遵循数据规律),对此引入距离函数法,它使得同一个评价因子不同权重归于一个中立权重值,即解决权重值两极化问题,又保证前人研究对滑坡经验认识,且不失客观规律。
因此,本文以确定性系数法为基础,构建了确定性系数法(certainty factor,CF)、确定性系数法与层次分析法(certainty factor-analystic hierarchy process,CF-AHP)、确定性系数法与熵指数法(certainty factor-index of entropy,CF-IOE)及确定性系数法与距离函数法-组合权重(CF-AHP-IOE)的不同滑坡易发性评价模型,并对4种滑坡易发性评价模型结果进行对比分析。论证了耦合模型可解决单一模型数据量少与精度较低的问题,CF-AHP-IOE模型从主、客观角度优化评价指标因子权重值,提高模型评价精度。评价结果为保山盆地周边滑坡灾害的防灾减灾提供参考,研究成果可用于其他滑坡易发性分区中。
1. 研究方法
1.1 CF
确定性系数法[6 − 8, 14]是一种条件概率函数,假设将来与过去发生滑坡灾害的条件相同,表达式为:
$$ CF =\left\{\begin{array}{c}\dfrac{{PP}_{a}-{PP}_{s}}{{PP}_{s}\left(1-{PP}_{a}\right)}\quad{PP}_{a} < {PP}_{s}\\ \dfrac{{PP}_{a}-{PP}_{s}}{{PP}_{a}\left(1-{PP}_{s}\right)}\quad{PP}_{a}\geqslant {PP}_{s}\end{array}\right. $$ (1) 式中:$ {{PP}}_{{a}} $——滑坡灾害评价因子a类分级发生的条件 概率,即a类分级滑坡数量与a类分级 面积之比;
$ {{PP}}_{{s}} $——滑坡灾害在整个研究区中发生的先验概 率,即研究区域滑坡总数与总面积之比;
CF——确定系数值,范围在[−1, 1]内,表征评价因 子对滑坡发生的确定性系数,正值代表滑 坡发生的确定性大,负值代表滑坡发生的 确定性小,0代表不能确定对滑坡发育影 响状态。
1.2 CF-AHP
AHP[3]是一种多目标决策问题的方法。将目标层次化,按因素的相关性构建与目标层的有序递进层次结构,核心在于判断各层因素与上层隶属关系。据经验法与前人成果,对因素进行两两比较并标度赋值,构建判断矩阵并检验其一致性。
以式(1)计算的评价因子确定性系数值为基础,采用层次分析计算评价因子权重值,并加权赋值计算单元栅格总确定性系数值(CF总),即滑坡易发性程度,表达式为:
$$ {{CF}}_{{总}}=\sum\limits _{{i=}{1}}^{{n}}{{CF}}_{{ij}}\left({{CF}}_{{ij}}{,W}_{i-{\mathrm{AHP}}}\right) $$ (2) 式中:Wi-AHP——第i个评价指标因子权重;
CFij(CFij, Wi-AHP )——第i个评价因子中j类分级的 加权确定性系数值。
1.3 CF-IOE
IOE[9 - 10]模型属于客观权重方法之一,熵代表系统的不确定性,滑坡评价指标因子的能量熵反映各类影响因子对滑坡的重要性,即可依据频率比值估算评价指标因子权重值,具有样本数据要求少,客观性强等优势。其计算步骤如下:
$$ {{F}}_{{ij}}=\frac{{Z}}{{S}} $$ (3) $$ \left({{F}}_{{ij}}\right)={{F}}_{{ij}}\Big/\sum _{{j=}{1}}^{{N}}{{F}}_{{ij}},\quad j=1,\cdots ,{N}$$ (4) $$ H_i=-\sum\limits_{j=1}^N\left(F_{ij}\right)\mathrm{log}_2\left(F_{ij}\right)\quad i=1,\cdots,n $$ (5) $$ {{H}}_{{i{\mathrm{max}}}}={{{\mathrm{log}}}}_{2}{N} $$ (6) $$ {{P}}_{{i}}={(}{{H}}_{{i{\mathrm{max}}}}-{{H}}_{{i}}{)}/{{H}}_{{i{\mathrm{max}}}} $$ (7) $$ {{F}}_{{i}}=\sum \limits_{{j=}{1}}^{{N}}{{F}}_{{ij}}/{N} $$ (8) $$ W_i=P_i\cdot F_i $$ (9) $$ {W}_{i-{\mathrm{IOE}}}={{W}}_{{i}}\Big/\sum \limits_{i}^{n}{{W}}_{{i}} $$ (10) 式中: $ {F}_{ij} $——各评价因子分级的频率比值;
S、Z——对应分级的面积百分比、滑坡灾害百分比;
$ {(F}_{ij} )$——概率密度;
$ {H}_{i} $、$ {H}_{i{\mathrm{max}}} $——熵值;
N——评价指标因子分级数;
n——评价指标因子个数;
$ {P}_{i} $——评价因子信息率;
$ {W}_{i} $——评价因子权重。
将$ {W}_{i} $进行归一化,得到$ {W}_{i-{\mathrm{IOE}}} $,即评价指标因子权重系数。
1.4 CF-AHP-IOE
由于AHP主观性强,精度受专家经验影响较大,因此引入IOE,计算客观权重值。采用距离函数法[11],以主、客观权重求组合权重值($ {W}_{i-{\mathrm{AHP-IOE}}} $),旨在于既考虑研究人员对滑坡发育认识,又不失客观规律。计算步骤如下:
假设$ {W}_{i-{\mathrm{AHP-IOE}}} $为其组合权重值,是其$ {W}_{1} $、$ {W}_{2} $为主、客观权重值线性相加,式子如下:
$$ {{W}}_{{i-{\mathrm{AHP-IOE}}}}={\alpha}{{W}}_{{1}}+{\beta}{{W}}_{{2}} $$ (11) 式中:$ W_{i-\mathrm{AHP-IOE}} $——组合权重值;
$ {W}_{1} $、$ {W}_{2} $——主、客观权重值,分别为$ {W}_{i-{\mathrm{AHP}}} $与$ {W}_{i-{\mathrm{IOE}}} $。
由于层次分析法与熵指数法计算的权重值具有一定差异性,为消除这种差异性,提高模型评价精度,由此引入距离函数$ \text{d}\left({{W}}_{\text{1}}\text{,}{{W}}_{\text{2}}\right) $,其表达式为:
$$ \text{d}\left({{W}}_{\text{1}}\text{,}{{W}}_{\text{2}}\right)\text={\left[\frac{\text{1}}{\text{2}}\sum\limits _{i\text{=1}}^{{n}}{({{W}}_{\text{1}}-{{W}}_{\text{2}})}^{\text{2}}\right]}^{\tfrac{\text{1}}{\text{2}}} \;\;i=\mathrm{1,2},\cdots, n $$ (12) 为使评价因子主、客观权重值的差异性与分配系数保持一致性,对距离函数与分配系数取等,其计算方式如下:
$$ {\text{d}\left({{W}}_{\text{1}}\text{,}{{W}}_{\text{2}}\right)}^{\text{2}}={({\alpha-\beta})}^{\text{2}} $$ (13) $$ {\alpha+\beta=}\text{1} $$ (14) 式中:$ \alpha $、$ \;\beta $——主、客观分配系数,其和等于1是分配 系数约束条件;
1.5 受试者工作特征曲线(ROC)
滑坡易发性评价精度检验通常使用受试者工作特征曲线(receiver operating characteristic curve,ROC)的AUC(area under curve)值度量[7, 16]。ROC 曲线是一种检测自变量对因变量是否敏感,滑坡易发性值为检验自变量,滑坡是否发生为二分类因变量。本文以面积比法作为ROC 曲线绘制方法,曲线横坐标为1-特异性(假正例率),即易发性分区面积由极高到低易发区的百分比累加;纵坐标为敏感度(真正例率),即相应易发区面积的实际滑坡栅格面积百分比累加。 ROC曲线下方面积为模型评价精度,即AUC值,大于0.7模型具有较高评价精度,越接近1滑坡易发分区越准确。
2. 实例分析
2.1 研究区概况
研究区地处云南省西部,保山市东北部。总面积约765 km2,保山盆地面积约213 km2,占比28%,地势西北高、东南低。研究区地质构造复杂,断裂纵横交错,褶皱多数形态不完整,发育呈 “歹”字型断裂带,主要有卧佛寺断裂、清水沟断裂、李家寺断裂等。出露较多的为第四系(Q)黏土、含砾石黏土、砂砾石层、黏土夹泥炭多层土体;三叠系(T)黏土、灰岩、玄武岩、白云岩;二叠系(P)灰岩、白云质灰岩;石炭系(C)页岩夹泥质灰岩、玄武岩;泥盆系(D)泥质灰岩及灰质泥岩;志留系(S)页岩、粉砂岩及泥质灰岩;奥陶系(O)页岩、粉砂岩、泥岩;寒武系(Є)灰岩、砂岩、白云岩、泥质灰岩等地层。受人类工程活动、地质条件等影响该地区的滑坡灾害发育,据野外调查与遥感解译研究分析得出滑坡99个。研究区地理位置及滑坡灾害分布,如图1—2所示。
2.2 基于AHP与ROC曲线的评价指标体系构建
通过分析区域地质环境及灾害发育特征,选取海拔、坡度、坡向、归一化植被覆盖度(normalized vegetation index,NDVI)、工程地质岩组、距道路距离、距断层距离、距水系距离、灾害点密度,共计9个评价因子,对研究区进行滑坡易发性评价。
为保证确定性系数法模型评价精度,对评价指标因子进行相互独立性检验。利用ArcGIS波段统计工具计算评价指标因子的相关性系数矩阵(表1)。结果表明:海拔与坡度、NDVI、道路,坡度与NDVI、水系呈现低度相关(0.3<相关系数值<0.5),可能对模型评价精度产生影响。
表 1 评价指标因子相关系数矩阵Table 1. Matrix of correlation coefficients of evaluation indicator factors评价因子 海拔 坡度 坡向 NDVI 工程地质岩组 道路 断层 水系 灾害点密度 海拔 1 0.471 −0.017 0.412 0.272 0.325 −0.100 −0.162 −0.132 坡度 1 −0.001 0.402 0.269 0.070 −0.188 −0.382 0.008 坡向 1 −0.088 0.127 −0.025 −0.042 0.062 0.020 NDVI 1 0.203 0.159 −0.150 −0.264 −0.018 工程地质岩组 1 −0.061 −0.259 −0.252 0.176 道路 1 0.030 0.162 −0.146 断层 1 0.227 −0.156 水系 1 −0.126 灾害点密度 1 为确保模型评价精度,据层次分析法计算评价因子权重顺序,如:灾害点密度>工程地质岩组>坡度>断层>道路>水系>NDVI >坡向>海拔(表2)。结合评价指标因子相关性及重要性(即:研究人员对滑坡发育的经验认识,得出的评价因子重要程度),依次剔除海拔、NDVI、水系,分别建立评价模型。结果表明:未剔除评价指标因子的AUC值0.890,模型评价精度最高(表3)。因此9个评价因子均可纳入模型的构建。
表 2 评价因子判断矩阵及权重值Table 2. Judgment matrix and weight values of evaluation factors评价因子 海拔 坡度 坡向 归一化植被覆盖度 工程地质岩组 道路 断层 水系 灾害点密度 Wi 海拔 1 1/7 1/2 1/3 1/6 1/4 1/5 1/2 1/8 0.024 坡度 1 5 3 1/3 1 1 2 1/4 0.115 坡向 1 1 1/6 1/2 1/3 1/2 1/8 0.036 归一化植被覆盖度 1 1/5 1 1/2 1 1/6 0.052 工程地质岩组 1 4 2 3 1/3 0.202 道路 1 1/2 1 1/5 0.068 断层 1 2 1/4 0.106 水系 1 1/5 0.058 灾害点密度 1 0.339 表 3 不同模型AUC值Table 3. AUC values of different models剔除因子 未剔除 海拔 海拔、NDVI 海拔、NDVI、水系 AUC值 0.890 0.875 0.871 0.871 2.3 评价指标因子分析
评价指标因子分级是统计分析结果合理性的基础。海拔以自然断点法进行分级;坡度、坡向、归一化植被覆盖度(NDVI)以等距分级;离散型评价因子有工程地质岩组、距道路距离、距断层距离、距水系距离、灾害点密度,据滑坡发育特征及现场调查进行分级;工程地质岩组据岩体建造、岩性组合、岩体结构类型、岩石力学性质分级。
频率比法(frequency ratio,FR)[6 - 7]是一种基于统计学的预测方法,FR值表征各级评价指标因子对滑坡灾害发生的贡献度,FR>1即有利于滑坡灾害的发生,值越大贡献度越大。因此以FR值对各级评价指标因子进行分析(图3—4)。
2.3.1 海拔
海拔高度不同,植被密度与人类活动存在较大差异,间接影响斜坡稳定及滑体物源分布情况,影响滑坡发育[3]。研究区海拔在
1582 ~3 098 m,其中1724 ~2 167 m内FR值大于1,易于滑坡的发生。2.3.2 坡度
坡度反映了地形倾斜程度,大小决定表面径流量、坡面冲刷速率及体土层剩余下滑力,影响坡体稳定性[7]。研究区最大坡度近59°,以8°为等距分级,大于40°为一级,在坡度大于8°的斜坡体FR值均大于1,有利于滑坡发生。
2.3.3 坡向
坡向间接影响斜坡曝光度、风化程度、降雨强度及土壤湿度[17]。研究区山脉南北展布,东、南、西南、西方向上,FR值为1.150、1.153、1.441、1.418,促进滑坡发育。
2.3.4 归一化植被覆盖度
归一化植被覆盖度[7, 18]范围在[0, 1],以Landsat 8 遥感影像数据为基础,据像元二分模型计算NDVI值:
$$ NDVI=(NIR-R)/(NIR+R) $$ (15) 式中:NDVI——归一化植被覆盖度;
NIR——遥感影像中近红外波段;
R——红光波段。
归一化植被覆盖度数值越大栅格单元植被覆盖度越高。因此以0.2为间隔分级,在0.4~0.8区间,FR值为1.526、1.510为滑坡集中发生范围。
2.3.5 工程地质岩组
工程地质岩组[17]为滑坡物源基础,受降雨、地壳运动及风化剥蚀等影响,控制滑坡类型及分布情况。将研究区岩土体分为松散土体、碎屑岩岩组、碳酸盐岩岩组、碳酸盐岩夹碎屑岩岩组、变质岩岩组、岩浆岩岩组共6类岩组。其中碳酸盐岩岩组、碳酸盐岩夹碎屑岩岩组、岩浆岩岩组岩性为页岩、泥质灰岩、灰岩夹粉砂岩、泥岩,FR值均大于1,对滑坡发育有利。
2.3.6 距道路距离
道路是人类活动强度的体现,道路修建过程中坡脚开挖、植被破坏,改变岩土体原有的环境条件,破坏斜坡体稳定性[6, 17]。以300 m为等距制作道路缓冲区,在距道路600 m以内,FR值为2.109、1.655,距道路越近坡体稳定性越差,滑坡易形成。
2.3.7 距断层距离
断裂构造产生了岩石破碎带,物理力学性质变差,风化剥蚀加剧,地层错位形成软弱带[6, 8, 17]。以300 m为等距制作断层缓冲区,在距道路1 200 m以内,FR值均大于1,严重影响岩石物理力学性质,距断裂带越近,越促进滑坡形成。
2.3.8 距水系距离
水系反映了水对斜坡底部的侵蚀及软化作用,易形成临空面,破坏斜坡的稳定性[19]。以水文分析法提取水系,将水系以200 m等距制作缓冲区,将研究区划分5级,在距水系400 m以内,FR值为2.323、1.144,越近滑坡越发育。
2.3.9 灾害点密度
滑坡灾害点密度[2, 19 − 22]反映流域滑坡灾害发育情况,表现为滑坡群发效应,不同岩组、斜坡体结构及人类活动强度的不均匀分布,导致流域内滑坡易发程度差异,是灾害发生的结果。但由于研究区盆地的面积占比28%,滑坡灾害主要发育在山谷内,且流域内影响滑坡发育的主要因子不同及滑坡失稳后造成区域地质不稳定性,小型群发性滑坡常集中在流域内(图5),由于勘察局限性,忽略极小型滑坡灾害,因此引入流域内灾害点密度作为评价因子,弥补评价因子不准确造成的误差,提高模型精度。以水文分析法划分研究区流域单元,滑坡点密度为流域内的灾害点个数与流域面积之比,研究区灾害点密度在0~2.11个/km2,分为0,0~1,1~2.11个/km2,在1~2.11个/km2的区间FR值最大为6.039。
3. 易发性评价
3.1 基于确定性系数的模型评价
3.1.1 单一模型
据式(1),计算各评价指标因子分级的确定性系数值(CF)(表4),采用地理信息系统(geographic information system,GIS)对评价指标因子层进行叠加,利用自然断点法将叠加图层进行分区,即得出CF模型的滑坡易发性分区图。
表 4 评价因子确定性系数值及权重值Table 4. Coefficient of determination values and weight values for evaluation factors评价因子 状态分级 $ CF $ $ {W}_{i-{\mathrm{AHP}}} $ $ {W}_{i-{\mathrm{IOE}}} $ $ {W}_{i-{\mathrm{AHP -IOE}}} $ 评价因子 状态分级 $ CF $ $ {W}_{i-{\mathrm{AHP}}} $ $ {W}_{i-{\mathrm{IOE}}} $ $ {W}_{i-{\mathrm{AHP -IOE}}} $ 海拔/m 1582 ~1724 −0.357 0.024 0.116 0.067 0.8~1 −0.827 1724 ~1960 0.658 工程地质岩组 松散土体 −0.282 0.202 0.042 0.126 1 960~ 2167 0.280 碎屑岩岩组 −0.260 2167 ~2394 −0.463 碳酸盐岩岩组 0.122 2394 ~2644 −1.000 碳酸盐岩夹碎屑岩组 0.605 2644 ~3098 −1.000 变质岩岩组 −0.127 坡度/(°) 0~8 −0.765 0.115 0.026 0.073 岩浆岩岩组 0.687 8~16 0.374 距道路距离/m 0~300 0.601 0.068 0.035 0.052 16~24 0.336 300~600 0.453 24~32 0.273 600~900 −0.215 32~40 0.007 900~ 1200 0.115 >40 0.332 > 1200 −0.443 坡向 平面 −1.000 0.036 0.031 0.034 距断层距离/m 0~300 0.437 0.106 0.021 0.066 北 −0.420 300~600 0.471 东北 −0.228 600~900 0.451 东 0.149 900~ 1200 0.299 东南 −0.448 > 1200 −0.439 南 0.152 距水系距离/m 0~200 0.651 0.058 0.066 0.062 西南 0.350 200~400 0.144 西 0.337 400~600 −0.179 西北 −0.096 600~800 −0.678 归一化植被
覆盖度0~0.2 −1.000 0.052 0.092 0.071 >800 −0.634 0.2~0.4 −0.312 灾害点密度/km2 0 −1.000 0.339 0.572 0.449 0.4~0.6 0.394 0~1 0.808 0.6~0.8 0.386 1~2.11 0.958 3.1.2 耦合模型
(1)CF-AHP模型
CF-AHP模型权重信息获取是基于层次分析法构建评价指标体系层次结构模型,计算评价指标因子权重值。根据研究区滑坡发育特征、专家意见及前人成果,采用标度法构建判断矩阵(表3);经一致性检验,CR值为0.028,小于0.1,即权重值有效(表3)。
以确定性系数值(CF)为基础,据层次分析法计算权重为系数,据式(2)对评价指标因子进行叠加,如式(16),计算栅格单元加权确定系数值,采用自然断点法对加权确定性系数分级,得出CF-AHP耦合模型滑坡易发性分区图。
(2)CF-IOE模型
以确定性系数值(CF)为基础,据式(3)—(10),计算评价指标因子权重值,计算栅格单元加权确定系数值,如式(17),采用自然断点法对加权确定性系数分级,得出CF-IOE耦合模型滑坡易发性分区图。
(3)CF-AHP-IOE模型
基于确定性系数值(CF),据式(12)—(14),利用距离函数法,计算$ \alpha $、$ \;\beta $主、客观分配系数分别为0.527、0.473,据式(11)计算评价指标因子组合权重值,计算栅格单元加权确定性系数值,如式(18),采用自然断点法对加权确定性系数分级,得出CF-AHP-IOE耦合模型滑坡易发性分区图。
$$\begin{split} {{CF\text-AHP}}_{{总}}=&{{0.024}{CF}}_{{1}{j}}+{{0.115}{CF}}_{{2}{j}}+{{0.036}{CF}}_{{3}{j}} +\\ &{{0.052}{CF}}_{{4}{j}}+{{0.202}{CF}}_{{5}{j}}+{{0.068}{CF}}_{{6}{j}}+\\ &{0.106}{{CF}}_{{7}{j}}+{0.058}{{CF}}_{{8}{j}}+{0.339}{{CF}}_{{9}{j}} \end{split}$$ (16) $$\begin{split} {{CF\text-IOE}}_{{总}}=&{{0.116}{CF}}_{{1}{j}}+{{0.026}{CF}}_{{2}{j}}+{{0.031}{CF}}_{{3}{j}}+ \\&{{0.092}{CF}}_{{4}{j}}+{{0.042}{CF}}_{{5}{j}}+{{0.035}{CF}}_{{6}{j}}+\\ &{0.035}{{CF}}_{{7}{j}}+{0.066}{{CF}}_{{8}{j}}+{0.572}{{CF}}_{{9}{j}}\end{split} $$ (17) $$ \begin{split} {{CF\text-AHP\text-IOE}}_{{总}}=&{{0.067}{CF}}_{{1}{j}}+{{0.073}{CF}}_{{2}{j}}+{{0.034}{CF}}_{{3}{j}}+\\&{{0.071}{CF}}_{{4}{j}}+{{0.126}{CF}}_{{5}{j}}+{{0.066}{CF}}_{{6}{j}}+\\&{0.062}{{CF}}_{{7}{j}}+{0.062}{{CF}}_{{8}{j}}+{0.449}{{CF}}_{{9}{j}} \end{split}$$ (18) 式中:$ {{CF\text-AHP}}_{\text{总}} $、$ {{CF\text-IOE}}_{\text{总}} $、$ {{CF\text-AHP\text-IOE}}_{\text{总}} $——CF-AHP、 CF-IOE、 CF-AHP-IOE模型的总加权确定性系数值;
$ {{CF}}_{{1j}} $—$ {{CF}}_{{9j}} $——海拔、坡度、坡向、归一化植被覆 盖度、工程地质岩组、距道路距 离、距断层距离、距水系距离、灾 害点密度的确定性系数值。
3.2 滑坡易发性评价结果对比分析
将评价指标因子栅格图层按权重系数(表4)加权计算,采用自然断点法将其划分为低、中、高及极高易发区,得出确定性系数模型(CF)及确定性系数法与层次分析法耦合模型(CF-AHP)、确定性系数法与熵指数法耦合模型(CF-IOE)及确定性系数法与距离函数法-组合权重模型(CF-AHP-IOE)的研究区滑坡易发性分区图(图6)。
以分级面积实际发生的滑坡灾害数量占比、灾害密度、频率比值占比对滑坡评价结果进行分析(表5),结果显示:
表 5 CF、CF-AHP、CF-IOE、CF-AHP-IOE模型分级结果Table 5. Grading results of CF, CF-AHP 、CF-IOE、CF-AHP-IOE models评价模型 易发分区 分级面积/km2 面积占比/% 灾害频数 灾害占比/% 灾害密度/km2 频率比值 频率比值占比/% CF 低 241.328 31.6 1 1.0 0.004 0.032 0.53 中 208.166 27.2 5 5.1 0.024 0.186 3.10 高 198.697 26.0 14 14.1 0.070 0.544 9.07 极高 116.628 15.2 79 79.8 0.677 5.233 87.29 CF-AHP 低 365.938 47.8 0 0 0 0 0 中 197.212 25.8 1 1.0 0.005 0.039 0.50 高 107.775 14.1 22 22.2 0.204 1.577 20.04 极高 93.894 12.3 76 76.8 0.809 6.253 79.46 CF-IOE 低 371.350 48.6 0 0 0 0 0 中 201.359 26.3 1 1.0 0.005 0.038 0.51 高 86.153 11.3 15 15.2 0.174 1.345 18.09 极高 105.957 13.9 83 83.8 0.783 6.052 81.40 CF-AHP-IOE 低 300.304 39.3 0 0 0 0 0 中 202.226 26.4 0 0 0 0 0 高 130.706 17.1 9 9.1 0.069 0.532 9.15 极高 131.584 17.2 90 90.9 0.684 5.284 90.85 (1)单一模型,CF模型滑坡易性发分区(低、中、高、极高)面积为241.328,208.166,198.697,116.628 km2,落入极高的滑坡数量占比79.8%,极高易发区的灾害密度0.677个/km2;低—极高易发区的频率比值显著增大,极高易发区频率比值大于1,表明CF模型对研究区进行有效分级。
(2)耦合模型:CF-AHP、CF-IOE、CF-AHP-IOE模型滑坡易发性分区中的极高易发性分级面积为93.894,105.957,131.584 km2,落入极高易发区的滑坡数量占比76.8%、83.8%、90.9%,灾害密度0.809,0.783,0.684个/km2,频率比值占总频率比值均在79%以上;CF-AHP-IOE极高易发区频率比值占比高达90%;3种模型滑坡易发性分级的灾害频数及密度由低—极高依次增大,符合滑坡发育规律,即3种耦合模型均对研究区滑坡易发性进行了有效评价。
(3)据CF-AHP、CF-IOE、CF-AHP-IOE模型耦合模型的滑坡易发性评价结果分析:极高易发区的灾害占比及频率比值占比均依次增大;高易发区却依次减小,如表5所示,反映了滑坡向极高易发区集中;极高易发区灾害密度分别为0.809,0.783,0.684个/km2,呈现逐步降低趋势,由于灾害密度受分区面积与灾害频数的影响,追溯到评价指标因子栅格精度及灾害数量多少的问题,将直接影响分区灾害密度值大小,未能体现CF-AHP-IOE模型的优势,但仍然反应极高易发区灾害密度的绝对高占比。而灾害占比及频率比值占比均为无量纲值,可更加反映滑坡灾害的集中程度。
3.3 评价结果精度检验
采用ROC曲线的AUC值检验模型预测精度,曲线横坐标为1-特异性;纵坐标为敏感度,CF、CF-AHP、CF-IOE及CF-AHP-IOE模型AUC值分别为0.890、0.911、0.921、0.916(图7),AUC均大于0.7,均具有较高的准确性,确定性系数值在层次分析法、熵指数法及组合权重法权重系数加权后,评价精度更高,更准确对研究区进行滑坡易发性分级。
4. 结论
(1)评价结果显示:高、极高易发区分布于地势起伏大、中度植被覆盖、断裂构造发育的岩石破碎及人类活动强烈的西南与东北的山区沟谷,表明在人类工程活动与水文条件影响下,坡脚侵蚀软化、坡体稳定性差,极易引发滑坡地质灾害。
(2)提出基于AHP与ROC的评价指标体系的构建方法。结果表明:结合评价因子间相关性与重要性,取AUC值为0.890的评价模型,模型评价分级结果更好,为评价因子间的弱相关性提供一种可行的解决方法。
(3)CF、CF-AHP、CF-IOE及CF-AHP-IOE模型滑坡易发性分区的频率比值从低易发区到极高易发区显著增大,极高易发区频率比值占比均在79%以上,具有良好的分级效果。
(4)CF、CF-AHP、CF-IOE及CF-AHP-IOE模型AUC值分别为0.890、0.911、0.921、0.916,模型评价精度高。采用AHP、IOE及组合权重法进行滑坡易发性评价,AUC值提升0.021、0.031、0.026,表明耦合模型具有更高评价精度,但精度提升不明显,笔者认为,研究区滑坡灾害数据及评价指标因子精度误差等影响了统计规律的缘故,滑坡易发性分级精度还可进一步研究。
(5)组合权重模型(CF-AHP-IOE)综合了主、客观权重值,进行滑坡易发性分级,相较于单一模型有更高精度,受结论(4)缘故略低于CF-IOE模型,但在极高易发区灾害密度及频率比值占比均高达90%以上,均高于其他评价模型,准确将灾害区进行划分,因此距离函数-组合权重模型(CF-AHP-IOE)可更好为防灾减灾提供建议。
-
表 1 滑坡易发性评价因子分级
Table 1 Classification of landslide susceptibility evaluation factors
评价因子 因子分级 栅格数 分级面积
占比/%滑坡数/个 滑坡占比/% 频率比 高程/m <1 500 5 204 401 0.31 1 233 0.82 2.69 [1 500,2 500) 6 332 165 0.37 244 0.16 0.44 [2 500,3 500) 3 923 903 0.23 21 0.01 0.06 [3 500,4 500] 1 422 562 0.08 0 0.00 0.00 >4 500 137 525 0.01 0 0.00 0.00 坡度/(°) <10 1 838 336 0.11 298 0.20 1.85 [10,20) 3 394 994 0.20 579 0.39 1.95 [20,30) 4 388 262 0.26 367 0.25 0.96 [30,40) 4 265 068 0.25 181 0.12 0.49 [40,50) 2 411 994 0.14 51 0.03 0.24 [50,60] 642 955 0.04 11 0.01 0.20 >60 78 947 0.00 1 0.00 0.14 坡向 平地 1 347 0.00 0 0.00 0.00 北向 1 967 849 0.12 122 0.08 0.71 东北 2 188 728 0.13 168 0.11 0.88 东向 2 267 964 0.13 226 0.15 1.14 东南 2 482 029 0.15 224 0.15 1.03 南向 1 998 089 0.12 172 0.12 0.98 西南 1 974 369 0.12 206 0.14 1.19 西向 1 942 033 0.11 168 0.11 0.99 西北 2 198 148 0.13 202 0.14 1.05 平面曲率 <-1.5 1 670 196 0.10 67 0.05 0.46 [−1.5,−0.5) 3 515 500 0.21 256 0.17 0.83 [−0.5,0.5) 6 569 423 0.39 828 0.56 1.44 [0.5,1.5] 3 535 554 0.21 258 0.17 0.83 >1.5 1 729 882 0.10 79 0.05 0.52 剖面曲率 <−1.5 2 178 456 0.13 75 0.05 0.39 [−1.5,−0.5) 3 463 053 0.20 271 0.18 0.90 [−0.5,0.5) 6 083 729 0.36 703 0.47 1.32 [0.5,1.5] 3 582 013 0.21 344 0.23 1.10 >1.5 2 207 544 0.13 95 0.06 0.49 TWI <4 2 338 941 0.14 55 0.04 0.27 [4,6) 9 159 642 0.54 775 0.52 0.97 [6,8) 3 579 077 0.21 378 0.25 1.21 [8,10) 1 206 481 0.07 170 0.11 1.61 [10,12] 435 025 0.03 66 0.04 1.74 >12 301 390 0.02 44 0.03 1.67 SPI <30 6 586 113 0.39 647 0.43 1.12 [30,70) 3 369 824 0.20 273 0.18 0.93 [70,110) 1 583 666 0.09 127 0.09 0.92 [110,150] 938 662 0.06 70 0.05 0.85 >150 4 542 291 0.27 371 0.25 0.93 STI <10 4 335 955 0.25 567 0.38 1.50 [10,20) 4 286 230 0.25 340 0.23 0.91 [20,30) 2 423 036 0.14 185 0.12 0.87 [30,40) 1 498 141 0.09 103 0.07 0.79 [40,50] 965 895 0.06 56 0.04 0.66 >50 3 511 299 0.21 237 0.16 0.77 NDVI <0 572 046 0.03 12 0.01 0.24 [0,0.1) 4 391 796 0.26 243 0.16 0.63 [0.1,0.2) 7 452 084 0.44 755 0.51 1.16 [0.2,0.3] 4 210 818 0.25 445 0.30 1.21 >0.3 393 811 0.02 33 0.02 0.96 降雨/mm <1 100 347 828 0.02 51 0.03 1.68 [1 100,1 200) 5 875 063 0.35 1 123 0.75 2.19 [1 200,1 300) 6 988 356 0.41 306 0.21 0.50 [1 300,1 400] 3 161 041 0.19 8 0.01 0.03 >1 400 648 268 0.04 0 0.00 0.00 PGA 0.10 5 547 189 0.33 642 0.43 1.32 0.15 6 626 792 0.39 687 0.46 1.19 0.20 4 846 575 0.28 159 0.11 0.38 地形起伏度/m <200 3 046 522 0.18 718 0.48 2.70 [200,400) 8 659 562 0.51 660 0.44 0.87 [400,600) 4 893 981 0.29 106 0.07 0.25 [600,800] 400 489 0.02 4 0.01 0.11 >800 20 002 0.00 0 0.00 0.00 岩性 A 6 690 039 0.39 469 0.32 0.80 B 1 930 133 0.11 412 0.28 2.44 C 2 589 329 0.15 86 0.06 0.38 D 2 805 880 0.16 86 0.06 0.35 E 1 280 290 0.08 54 0.04 0.48 F 607 260 0.04 142 0.10 2.67 G 1 117 652 0.07 239 0.16 2.45 距河流距离/m <200 359 325 0.02 96 0.06 3.06 [200,400) 356 325 0.02 75 0.05 2.41 [400,600) 353 757 0.02 80 0.05 2.59 [600,800) 350 074 0.02 81 0.05 2.65 [800,1 000] 348 031 0.02 70 0.05 2.30 >1 000 15 253 044 0.90 1 086 0.73 0.81 距断层距离/m <1 000 3 769 155 0.22 239 0.16 0.73 [1 000,2 000) 2 849 793 0.17 166 0.11 0.67 [2 000,3 000) 2 175 357 0.13 143 0.10 0.75 [3 000,4 000) 1 662 881 0.10 116 0.08 0.80 [4 000,5 000] 1 315 010 0.08 156 0.10 1.36 >5 000 5 248 360 0.31 668 0.45 1.46 距道路距离/m <500 1 770 408 0.10 606 0.41 3.92 [500,1 000) 1 391 697 0.08 233 0.16 1.92 [1 000,1 500) 1 222 996 0.07 222 0.15 2.08 [1 500,2 000) 1 081 568 0.06 127 0.09 1.34 [2 000,2 500] 968 316 0.06 69 0.05 0.82 >2 500 10 585 571 0.62 231 0.16 0.25 注:A为较坚硬的砂岩页岩板岩;B为较软的泥岩千枚岩页岩;C为软硬相间的碳酸盐岩及碎屑岩;D为较坚硬的石灰岩白云岩;E为坚硬的玄武岩苦橄岩角质岩;F为松散的堆积物冲积物;G为较坚硬的长石石英砂岩。 表 2 影响因子的相关性分析
Table 2 Correlation analysis of impact factors
因子 高程 坡度 坡向 平面曲率 剖面曲率 TWI STI SPI NDVI 降雨 PGA 起伏度 断层 岩性 河流 道路 高程 1.00 坡度 0.41 1.00 坡向 −0.03 −0.01 1.00 平面曲率 0.01 0.00 0.01 1.00 剖面曲率 0.01 0.05 0.03 0.18 1.00 TWI −0.19 −0.39 0.02 −0.28 0.17 1.00 STI 0.17 0.45 0.02 −0.35 0.17 0.51 1.00 SPI 0.08 0.25 0.03 −0.39 0.18 0.64 0.92 1.00 NDVI −0.23 −0.10 −0.68 −0.01 0.07 0.04 −0.04 −0.01 1.00 降雨 0.67 0.28 −0.04 0.01 0.02 −0.16 0.10 0.03 −0.23 1.00 PGA 0.28 0.21 −0.01 −0.02 0.09 −0.05 0.15 0.10 0.01 0.31 1.00 起伏度 0.31 0.18 0.01 0.01 0.08 −0.06 0.05 0.16 −0.36 0.23 0.12 1.00 断层 −0.14 −0.20 0.02 0.00 −0.03 0.05 −0.13 −0.09 −0.07 0.00 −0.15 0.01 1.00 岩性 −0.08 −0.08 −0.01 0.01 0.03 0.03 −0.06 −0.03 0.02 −0.01 0.10 −0.04 −0.01 1.00 河流 0.24 0.06 0.03 −0.02 −0.01 −0.16 −0.04 −0.09 0.04 0.29 0.08 −0.06 −0.07 −0.07 1.00 道路 0.61 0.30 −0.02 −0.03 −0.01 −0.17 0.12 0.03 −0.06 0.56 0.27 0.10 −0.16 −0.08 0.39 1.00 表 3 滑坡易发性评价频率比
Table 3 Frequency ratio of landslide susceptibility assessment
模型 易发性等级 分级栅格数 分级比例 滑坡数量 滑坡比例 频率比 ANN 极低 10 574 871 0.62 28 0.02 0.03 低 1 397 388 0.21 33 0.02 0.27 中 1 264 627 0.43 64 0.04 0.58 高 1 698 651 0.01 341 0.23 2.30 极高 2 085 018 0.12 1 022 0.69 5.61 DNN 极低 9 211 525 0.54 12 0.01 0.01 低 2 876 474 0.17 17 0.01 0.07 中 1 673 121 0.10 76 0.05 0.52 高 1 189 737 0.07 170 0.11 1.63 极高 2 069 700 0.12 1 213 0.82 6.70 -
[1] 彭建兵,崔鹏,庄建琦. 川藏铁路对工程地质提出的挑战[J]. 岩石力学与工程学报,2020,39(12):2377 − 2389. [PENG Jianbing,CUI Peng,ZHUANG Jianqi. Challenges to engineering geology of Sichuan—Tibet railway[J]. Chinese Journal of Rock Mechanics and Engineering,2020,39(12):2377 − 2389. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2020.0446 Peng Jianbing, Cui Peng, Zhuang Jianqi. Challenges to engineering geology of Sichuan—Tibet railway[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(12): 2377-2389. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2020.0446
[2] ZHUANG Jianqi, PENG Jianbing , WANG Gonghui, et al. Distribution and characteristics of landslide in loess plateau:A case study in Shaanxi Province[J]. Engineering Geology,2018,236:89 − 96. DOI: 10.1016/j.enggeo.2017.03.001
[3] GUO Changbao, WU Ruian, JIANG Liangwen,et al. Typical geohazards and engineering geological problems along the Ya’an-Linzhi section of the Sichuan-Tibet railway,China[J]. Geoscience,2021,35(1):1 − 17.
[4] 王涛,王嘉昆,潘冬. 四川汉源康家坡滑坡形成机理与滑坡—堰塞坝—泥石流灾害链分析[J]. 中国地质灾害与防治学报,2020,31(1):1 − 7. [WANG Tao,WANG Jiakun,PAN Dong. Analysis on mechanism of Kangjiapo landslide and consequent debris flow in Hanyuan County of Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,2020,31(1):1 − 7. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2020.01.01 WANG Tao, WANG Jiakun, PAN Dong. Analysis on mechanism of Kangjiapo Landslide and consequent debris flow in Hanyuan County of Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control, 2020, 31(1)1-7(in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2020.01.01
[5] 黄发明,殷坤龙,蒋水华,等. 基于聚类分析和支持向量机的滑坡易发性评价[J]. 岩石力学与工程学报,2018,37(1):156 − 167. [HUANG Faming,YIN Kunlong,JIANG Shuihua,et al. Landslide susceptibility assessment based on clustering analysis and support vector machine[J]. Chinese Journal of Rock Mechanics and Engineering,2018,37(1):156 − 167. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2017.0824 Huang Faming, Yin Kunlong, Jiang Shuihua, et al. Landslide susceptibility assessment based on clustering analysis and support vector machine[J]. Chinese Journal of Rock Mechanics and Engineering, 2018, 37(1): 156-167. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2017.0824
[6] OMAR F,Althuwaynee. A novel ensemble bivariate statistical evidential belief function with knowledge-based analytical hierarchy process and multivariate statistical logistic regression for landslide susceptibility mapping[J]. CATENA,2014,114:21 − 36. DOI: 10.1016/j.catena.2013.10.011
[7] 许冲,戴福初,姚鑫,等. GIS支持下基于层次分析法的汶川地震区滑坡易发性评价[J]. 岩石力学与工程学报,2009,28(增刊 2):3978 − 3985. [XU Chong,DAI Fuchu,YAO Xin,et al. GIS-based landslide susceptibility assessment using analytical hierarchy process in Wenchuan earthquake region[J]. Chinese Journal of Rock Mechanics and Engineering,2009,28(Sup 2):3978 − 3985. (in Chinese with English abstract) XU Chong, DAI Fuchu, YAO Xin, et al. Gis-based landslide susceptibility assessment using analytical hierarchy process in Wenchuan earthquake region[J]. Chinese Journal of Rock Mechanics and Engineering, 2009, 28(S2): 3978-3985. (in Chinese with English abstract)
[8] 刘磊,殷坤龙,王佳佳,等. 降雨影响下的区域滑坡危险性动态评价研究—以三峡库区万州主城区为例[J]. 岩石力学与工程学报,2016,35(3):558 − 569. [LIU Lei,YIN Kunlong,WANG Jiajia,et al. Study on dynamic evaluation of regional landslide risk under the influence of rainfall:A case study of Wanzhou main city in Three Gorges Reservoir area[J]. Chinese Journal of Rock Mechanics and Engineering,2016,35(3):558 − 569. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2015.0495 Liu Lei, Yin Kunlong, Wang Jiajia, et al. Study on dynamic evaluation of regional landslide risk under the influence of rainfall—a case study of Wanzhou main city in Three Gorges Reservoir area[J]. Chinese Journal of Rock Mechanics and Engineering, 2016, 35(3): 558-569. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2015.0495
[9] 张俊,殷坤龙,王佳佳,等. 三峡库区万州区滑坡灾害易发性评价研究[J]. 岩石力学与工程学报,2016,35(2):284 − 296. [ZHANG Jun,YIN Kunlong,WANG Jiajia,et al. Evaluation of landslide susceptibility for Wanzhou District of Three Gorges Reservoir[J]. Chinese Journal of Rock Mechanics and Engineering,2016,35(2):284 − 296. (in Chinese with English abstract) Zhang Jun, Yin Kunlong, Wang Jiajia, et al. Evaluation of landslide susceptibility for Wanzhou district of Three Gorges Reservoir[J]. Chinese Journal of Rock Mechanics and Engineering, 2016, 35(2): 284-296. (in Chinese with English abstract)
[10] CHEN Wei,POURGHASEMI H,KORNEJADY A,et al. Landslide spatial modeling:Introducing new ensembles of ANN,MaxEnt,and SVM machine learning techniques[J]. Geoderma,2017,305:314 − 327. DOI: 10.1016/j.geoderma.2017.06.020
[11] 张纫兰,王少军,李江风. 基于Mamdani FIS模型的滑坡易发性评价研究[J]. 岩土力学,2014,35(增刊 2):437 − 444. [ZHANG Renlan,WANG Shaojun,LI Jiangfeng. Research on landslide susceptibility based on Mamdani-FIS model[J]. Rock and Soil Mechanics,2014,35(Sup 2):437 − 444. (in Chinese with English abstract) ZHANG Renlan, WANG Shaojun, LI Jiangfeng. Research on landslide susceptibility based on Mamdani-FIS model[J]. Rock and Soil Mechanics, 2014, 35(S2): 437-444. (in Chinese with English abstract)
[12] 方然可,刘艳辉,黄志全. 基于机器学习的区域滑坡危险性评价方法综述[J]. 中国地质灾害与防治学报,2021,32(4):1 − 8. [FANG Ranke,LIU Yanhui,HUANG Zhiquan. A review of the methods of regional landslide hazard assessment based on machine learning[J]. The Chinese Journal of Geological Hazard and Control,2021,32(4):1 − 8. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2021.04-01 FANG Ranke, LIU Yanhui, HUANG Zhiquan. A review of the methods of regional landslide hazard assessment based on machine learning[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(4)1-8(in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2021.04-01
[13] 刘福臻,王灵,肖东升. 机器学习模型在滑坡易发性评价中的应用[J]. 中国地质灾害与防治学报,2021,32(6):98 − 106. [LIU Fuzhen,WANG Ling,XIAO Dongsheng. Application of machine learning model in landslide susceptibility evaluation[J]. The Chinese Journal of Geological Hazard and Control,2021,32(6):98 − 106. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2021.06-12 LIU Fuzhen, WANG Ling, XIAO Dongsheng. Application of machine learning model in landslide susceptibility evaluation[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(6)98-106(in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2021.06-12
[14] 庄育龙,田原,程楚云. 基于深度神经网络的滑坡危险性评价—以深圳市为例[J]. 地理与地理信息科学,2019,35(2):104 − 110. [ZHUANG Yulong,TIAN Yuan,CHENG Chuyun. Landslide susceptibility assessment based on deep neural network:A case study of Shenzhen[J]. Geography and Geo-Information Science,2019,35(2):104 − 110. (in Chinese with English abstract) DOI: 10.3969/j.issn.1672-0504.2019.02.016 ZHUANG Yulong, TIAN Yuan, CHENG Chuyun. Landslide susceptibility assessment based on deep neural network: a case study of Shenzhen[J]. Geography and Geo-Information Science, 2019, 35(2)104-110(in Chinese with English abstract) DOI: 10.3969/j.issn.1672-0504.2019.02.016
[15] 桂蕾. 三峡库区万州区滑坡发育规律及风险研究[D]. 武汉: 中国地质大学 GUI Lei. Study on the development law and risk of landslide in Wanzhou District of Three Gorges Reservoir area[D]. Wuhan: China University of Geosciences. (in Chinese with English abstract)
[16] 牛瑞卿,彭令,叶润青,等. 基于粗糙集的支持向量机滑坡易发性评价[J]. 吉林大学学报(地球科学版),2012,42(2):430 − 439. [NIU Ruiqing,PENG Ling,YE Runqing,et al. Landslide susceptibility assessment based on rough sets and support vector machine[J]. Journal of Jilin University (Earth Science Edition),2012,42(2):430 − 439. (in Chinese with English abstract) NIU Ruiqing, PENG Ling, YE Runqing, et al. Landslide susceptibility assessment based on rough sets and support vector machine[J]. Journal of Jilin University (Earth Science Edition), 2012, 42(2)430-439(in Chinese with English abstract)
[17] 胡鹏,文章,胡新丽,等. 基于遗传算法-支持向量机的滑坡渗透系数反演[J]. 水文地质工程地质,2021,48(4):160 − 168. [HU Peng,WEN Zhang,HU Xinli,et al. Estimation of hydraulic conductivity of landslides based on support vector machine method optimized with genetic algorithm[J]. Hydrogeology & Engineering Geology,2021,48(4):160 − 168. (in Chinese with English abstract) [HU Peng, WEN Zhang, HU Xinli, et al. Estimation of hydraulic conductivity of landslides based on support vector machine method optimized with genetic algorithm[J]. Hydrogeology & Engineering Geology, 2021, 48(4): 160-168.(in Chinese with English abstract)
[18] PARK Lee. Spatial prediction of landslide susceptibility using a decision tree approach:A case study of the Pyeongchang area,Korea[J]. International Journal of Remote Sensing,2014,35(16):6089 − 6112. DOI: 10.1080/01431161.2014.943326
[19] 田乃满,兰恒星,伍宇明,等. 人工神经网络和决策树模型在滑坡易发性分析中的性能对比[J]. 地球信息科学学报,2020,22(12):2304 − 2316. [TIAN Naiman,LAN Hengxing,WU Yuming,et al. Performance comparison of BP artificial neural network and CART decision tree model in landslide susceptibility prediction[J]. Journal of Geo-Information Science,2020,22(12):2304 − 2316. (in Chinese) DOI: 10.12082/dqxxkx.2020.190766 TIAN Naiman, LAN Hengxing, WU Yuming, et al. Performance comparison of BP artificial neural network and CART decision tree model in landslide susceptibility prediction[J]. Journal of Geo-Information Science, 2020, 22(12): 2304-2316. (in Chinese) DOI: 10.12082/dqxxkx.2020.190766
[20] 王世宝, 庄建琦, 樊宏宇, 等. 基于频率比与集成学习的滑坡易发性评价——以金沙江上游巴塘—德格河段为例[J/OL]. 工程地质学报, 2021: 1 − 13. (2021-05-14). https://kns.cnki.net/kcms/detail/11.3249.P.20210514.1018.004.html. WANG Shibao, ZHUANG Jianqi, FAN Hongyu, et al. Evaluation of landslide susceptibility based on frequency ratio and ensemble learning: Taking the Batang-Dege section in the upstream of Jinsha River as an example[J/OL]. Journal of Engineering Geology, 2021: 1 − 13. (2021-05-14). https://kns.cnki.net/kcms/detail/11.3249.P.20210514.1018.004.html. (in Chinese with English abstract)
[21] WANG Shibao, ZHUANG J, ZHENG Jia, et al. Application of Bayesian hyperparameter optimized random forest and XGBoost model for landslide susceptibility mapping[J]. Frontiers in Earth Science, 2021.
[22] 陈涛,钟子颖,牛瑞卿,等. 利用深度信念网络进行滑坡易发性评价[J]. 武汉大学学报(信息科学版),2020,45(11):1809 − 1817. [CHEN Tao,ZHONG Ziying,NIU Ruiqing,et al. Mapping landslide susceptibility based on deep belief network[J]. Geomatics and Information Science of Wuhan University,2020,45(11):1809 − 1817. (in Chinese with English abstract) CHEN Tao, ZHONG Ziying, NIU Ruiqing, et al. Mapping landslide susceptibility based on deep belief network[J]. Geomatics and Information Science of Wuhan University, 2020, 45(11): 1809-1817. (in Chinese with English abstract)
[23] 王世宝,庄建琦,郑佳,等. 基于深度学习的CZ铁路康定—理塘段滑坡易发性评价[J]. 工程地质学报,2022,30(3):908 − 919. [WANG Shibao,ZHUANG Jianqi,ZHENG Jia,et al. Landslide susceptibility evaluation based on deep learning along Kangding-Litang section of CZ railway[J]. Journal of Engineering Geology,2022,30(3):908 − 919. (in Chinese with English abstract) DOI: 10.13544/j.cnki.jeg.2021-0115 WANG Shibao, ZHUANG Jianqi, ZHENG Jia, et al. Landslide susceptibility evaluation based on deep learning along Kangding-Litang section of cz railway[J]. Journal of Engineering Geology, 2022, 30(3): 908-919. (in Chinese with English abstract) DOI: 10.13544/j.cnki.jeg.2021-0115
[24] 王志祥,李建阁. 基于DNN改性沥青中SBS含量的预测模型[J]. 建筑材料学报,2021,24(3):630 − 636. [WANG Zhixiang,LI Jiange. Determination model of SBS content in modified asphalt based on DNN[J]. Journal of Building Materials,2021,24(3):630 − 636. (in Chinese with English abstract) DOI: 10.3969/j.issn.1007-9629.2021.03.025 WANG Zhixiang, LI Jiange. Determination model of SBS content in modified asphalt based on DNN[J]. Journal of Building Materials, 2021, 24(3): 630-636. (in Chinese with English abstract) DOI: 10.3969/j.issn.1007-9629.2021.03.025
[25] 李仪,林建君,朱习军. 基于改进DNN的糖尿病预测模型设计[J]. 计算机工程与设计,2021,42(5):1418 − 1424. [LI Yi,LIN Jianjun,ZHU Xijun. Diabetes prediction model design based on improved DNN[J]. Computer Engineering and Design,2021,42(5):1418 − 1424. (in Chinese) LI Yi, LIN Jianjun, ZHU Xijun. Diabetes prediction model design based on improved DNN[J]. Computer Engineering and Design, 2021, 42(5)1418-1424(in Chinese)
[26] HINTON G E,SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science,2006,313(5786):504 − 507. DOI: 10.1126/science.1127647
[27] 王山海. 基于深度学习神经网络的语音识别研究[D]. 桂林: 桂林电子科技大学, 2015 WANG Shanhai. Research on speech recognition based on deep learning neural network[D]. Guilin: Guilin University of Electronic Technology, 2015. (in Chinese with English abstract)
[28] TIAN Yingying,XU Chong,HONG Haoyuan,et al. Mapping earthquake-triggered landslide susceptibility by use of artificial neural network (ANN) models:An example of the 2013 Minxian (China) Mw 5.9 event[J]. Geomatics,Natural Hazards and Risk,2019,10(1):1 − 25. DOI: 10.1080/19475705.2018.1487471
[29] KALANTAR B,PRADHAN B,NAGHIBI S A,et al. Assessment of the effects of training data selection on the landslide susceptibility mapping:A comparison between support vector machine (SVM),logistic regression (LR) and artificial neural networks (ANN)[J]. Geomatics,Natural Hazards and Risk,2018,9(1):49 − 69. DOI: 10.1080/19475705.2017.1407368
[30] 彭建兵, 张骏, 苏生瑞, 等. 渭河盆地活动断裂与地质灾害[M]. 西安: 西北大学出版社, 1992 PENG Jianbing, ZHANG Jun, SUN Shengrui. Active faults and geological hazards in Weihe Basin[M]. Xi’an: Northwest University Press, 1992. (in Chinese with English abstract)
[31] GUO Changbao. Quantitative assessment of landslide susceptibility along the Xianshuihe fault zone,Tibetan Plateau,China[J]. Geomorphology,2015,248:93 − 110. DOI: 10.1016/j.geomorph.2015.07.012
[32] 戴福初,邓建辉. 青藏高原东南三江流域滑坡灾害发育特征[J]. 工程科学与技术,2020,52(5):3 − 15. [DAI Fuchu,DENG Jianhui. Development characteristics of landslide hazards in three-rivers basin of southeast Tibetan Plateau[J]. Advanced Engineering Sciences,2020,52(5):3 − 15. (in Chinese with English abstract) DAI Fuchu, DENG Jianhui. Development characteristics of landslide hazards in three-rivers basin of southeast Tibetan Plateau[J]. Advanced Engineering Sciences, 2020, 52(5)3-15(in Chinese with English abstract)
[33] 张钟远,邓明国,徐世光,等. 镇康县滑坡易发性评价模型对比研究[J]. 岩石力学与工程学报,2022,41(1):157 − 171. [ZHANG Zhongyuan,DENG Mingguo,XU Shiguang,et al. Comparison of landslide susceptibility assessment models in Zhenkang County,Yunnan Province,China[J]. Chinese Journal of Rock Mechanics and Engineering,2022,41(1):157 − 171. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2021.0360 Zhang Zhongyuan, Deng Mingguo, Xu Shiguang, et al. Comparison of landslide susceptibility assessment models in Zhenkang County, Yunnan Province, China[J]. Chinese Journal of Rock Mechanics and Engineering, 2022, 41(1): 157-171. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2021.0360
[34] 刘艳芳,方佳琳,陈晓慧,等. 基于确定性系数分析方法的秭归县滑坡易发性评价[J]. 自然灾害学报,2014,23(6):209 − 217. [LIU Yanfang,FANG Jialin,CHEN Xiaohui,et al. Evaluation of landslide susceptibility in Zigui County based on deterministic coefficient analysis method[J]. Journal of Natural Disasters,2014,23(6):209 − 217. (in Chinese with English abstract) Liu Yanfang, Fang Jialin, Chen Xiaohui, et al. Evaluation of landslide susceptibility in Zigui County based on deterministic coefficient analysis method[J]. Journal of Natural Disasters, 2014, 23(6): 209-217. (in Chinese with English abstract)
[35] 张玘恺,凌斯祥,李晓宁,等. 九寨沟县滑坡灾害易发性快速评估模型对比研究[J]. 岩石力学与工程学报,2020,39(8):1595 − 1610. [ZHANG Qikai,LING Sixiang,LI Xiaoning,et al. Comparison of landslide susceptibility mapping rapid assessment models in Jiuzhaigou County,Sichuan Province,China[J]. Chinese Journal of Rock Mechanics and Engineering,2020,39(8):1595 − 1610. (in Chinese) Zhang Qikai, Ling Sixiang, Li Xiaoning, et al. Comparison of landslide susceptibility mapping rapid assessment models in Jiuzhaigou County, Sichuan Province, China[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(8): 1595-1610. (in Chinese)
[36] HONG Haoyuan, et al . Modeling landslide susceptibility using LogitBoost alternating decision trees and forest by penalizing attributes with the bagging ensemble[J]. Science of the Total Environment,2020,718:137231. DOI: 10.1016/j.scitotenv.2020.137231
[37] 屠水云,张钟远,付弘流,等. 基于CF模型与CF-LR模型的地质灾害易发性评价[J]. 中国地质灾害与防治学报,2022,33(2):96 − 104. [TU Shuiyun,ZHANG Zhongyuan,FU Hongliu,et al. Evaluation of geological hazard susceptibility based on CF model and CF-LR model[J]. The Chinese Journal of Geological Hazard and Control,2022,33(2):96 − 104. (in Chinese with English abstract) TU Shuiyun, ZHANG Zhongyuan, FU Hongliu, et al. Evaluation of geological hazard susceptibility based on CF model and CF-LR model [J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(2): 96-104. (in Chinese with English abstract)
[38] HOSMER D W, LEMESHOW S, STURDIVANT R X. Applied logistic regression[M]. 3rd ed.New Jersey: Wiley-Blackwell, 2013